CN114613135B - 考虑建筑场所影响的城市路网交通流预测方法及系统 - Google Patents

考虑建筑场所影响的城市路网交通流预测方法及系统 Download PDF

Info

Publication number
CN114613135B
CN114613135B CN202210216901.9A CN202210216901A CN114613135B CN 114613135 B CN114613135 B CN 114613135B CN 202210216901 A CN202210216901 A CN 202210216901A CN 114613135 B CN114613135 B CN 114613135B
Authority
CN
China
Prior art keywords
lane
vehicle
traffic flow
downstream
place
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210216901.9A
Other languages
English (en)
Other versions
CN114613135A (zh
Inventor
张伟斌
张帅
刘小秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinyan Zhanyun Information Technology Nanjing Co ltd
Nanjing University of Science and Technology
Original Assignee
Jinyan Zhanyun Information Technology Nanjing Co ltd
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinyan Zhanyun Information Technology Nanjing Co ltd, Nanjing University of Science and Technology filed Critical Jinyan Zhanyun Information Technology Nanjing Co ltd
Priority to CN202210216901.9A priority Critical patent/CN114613135B/zh
Publication of CN114613135A publication Critical patent/CN114613135A/zh
Application granted granted Critical
Publication of CN114613135B publication Critical patent/CN114613135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑建筑场所影响的城市路网交通流预测方法及系统，将交通流时间序列分解为过车量、场所出车量以及场所入车量时间序列；构建上、下游交叉口间的车道交通流权重分配模型；采用谱分析法确定场所出车量的周期性以及上游交叉口各车道场所入车量的周期性，对于周期性明显的序列，采用时间序列模型预测动态成分，与周期成分结合确定场所出车量和各车道场所入车量，对于周期性不明显的序列，采用时间序列模型预测场所出车量和各车道场所入车量；计算各车道过车量，结合上、下游交叉口间的车道交通流权重分配模型，预测到达下游的过车量；计算目标路段下游到达量。本发明使得最终的交通流预测结果更准确且贴合实际。

Description

考虑建筑场所影响的城市路网交通流预测方法及系统
技术领域
本发明涉及交通预测、交通系统建模分析等技术领域，特别涉及一种考虑建筑场所影响的城市路网交通流预测方法及系统。
背景技术
随着科技水平的不断进步，机动车保有量迅速增长，城市道路与机动车的供需关系愈加不平衡，交通拥堵问题日益严重。作为智能交通系统系统的重要组成部分，准确预测城市路网道路交通流对于准确估计交通状态，提高交通管理水平和解决拥堵具有重要意义。
在目前现有的研究中，已经开发出一系列通过获取历史数据预测城市路网交通流的方法及模型。然而大多数情况下，这些方法忽略了城市路网的空间特性。相比于高速公路，城市路网的空间拓扑结构更为复杂，存在大量大型建筑场所，例如企业、商场、居民区等。这些大型建筑场所会对城市路网交通流产生特定的影响。因此，在预测城市路网交通流时，需要考虑建筑场所对交通流影响，进一步提升预测准确度，进而帮助交管部门提前制定短时交通管制措施以及帮助出行者了解路网运行状况并进行路径规划，从而有效改善交通拥堵状况。
发明内容
本发明的目的在于提供一种虑建筑场所影响的城市路网交通流预测方法及系统，改善对城市路网交通系统模型笼统的整体性分析方法，克服对城市路网交通模型认知单一的缺点。
实现本发明目的的技术解决方案为：一种考虑建筑场所影响的城市路网交通流预测方法，步骤如下：
步骤1，获得预测路段在建模时段内的上、下游历史车牌识别数据；
步骤2，选取固定的时间步长，将车牌识别数据预处理为此步长的交通流时间序列；
步骤3，根据预测路段上、下游车牌识别数据，将交通流时间序列分解为过车量、场所出车量以及场所入车量时间序列；
步骤4，构建上、下游交叉口间的车道交通流权重分配模型；
步骤5，采用谱分析法确定场所出车量的周期性以及上游交叉口各车道场所入车量的周期性，对于周期性明显的序列，采用时间序列模型预测动态成分，与周期成分结合确定场所出车量和各车道场所入车量，对于周期性不明显的序列，采用时间序列模型预测场所出车量和各车道场所入车量；
步骤6，根据上游各车道交通流检测量和各车道场所入车量，计算各车道过车量，结合上、下游交叉口间的车道交通流权重分配模型，预测到达下游的过车量；
步骤7，根据到达下游的过车量和场所出车量，计算目标路段下游到达量。
进一步的，步骤2中，选取固定的时间步长，具体方法为：
选取上、下游信号灯周期长度的公倍数，亦或者上游或下游信号灯周期长度的整数倍作为时间步长。
进一步的，步骤3中，根据预测路段上、下游车牌识别数据，将交通流时间序列分解为过车量、场所出车量以及场所入车量时间序列，具体方法为：
遍历与目标路段存在连接关系的车道，判断是否为混合车道；
若为单方向车道，则对比该车道进口道每个时间步长内检索的车牌号与目标路段下游卡口在该步长内及之后若干步长内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在目标路段的建筑场所入车量，重复出现的车牌号的数量为该车道在预测路段的过车量；
若为混合车道，则对比该车道进口道每个时间步长内检索的车牌号与所有与该混合车道存在连接关系的路段下游卡口在该步长内及之后若干步长内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在所有与该混合车道存在连接关系的路段的总建筑场所入车量，重复出现的车牌号的数量为该车道在所有与该混合车道存在连接关系的路段的总过车量；
将每个时间步长内的下游车牌识别数据与该步长及之前若干步长内的上游车牌识别数据进行对比，仅在道路下游出现到但未在上游车道检出的车牌号数量为该道路的场所出车量；
所述若干步长的时间总和应大于道路平均通行时间。
进一步的，步骤4中，构建上、下游交叉口间的车道交通流权重分配模型，具体方法为：
所述上、下游交叉口间的车道交通流权重分配模型为多元线性回归模型，模型的因变量为路段下游交叉口的过车量，自变量为路段上游交叉口与预测路段存在连接关系的各车道的过车量，表达形式如下：
Figure BDA0003533570690000031
式中，
Figure BDA0003533570690000032
为通过上游交叉口各车道到达预测路段下游的车辆数，
Figure BDA0003533570690000033
为单方向车道中到达对应方向道路下游的车辆数，
Figure BDA0003533570690000034
为混合方向车道中到达对应多方向道路下游的车辆数，f为车道交通流权重分配模型中因变量与自变量的对应法则，θi为各车道在预测路段的过车量权重系数。
进一步的，对场所出车量序列
Figure BDA0003533570690000035
和单方向车道、混合车道入车量序列
Figure BDA0003533570690000036
Figure BDA0003533570690000037
进行傅里叶变换，计算其频谱主极大值点和次极大值以及主极大值点和次极大值对应的时域值，当主极大值大于次极大值的1.5倍时，则认为主极大值所在的频率点对应的时域值具有明显的周期性，否则，则认为其不具有明显的周期性；
对于具有明显周期性场所历史出、入车量的车道，其场所历史出、入车量由周期成分和动态成分组成，表示为：
Figure BDA0003533570690000038
其中
Figure BDA0003533570690000039
和
Figure BDA00035335706900000310
分别为预测道路场所出车量的周期成分和动态成分，
Figure BDA00035335706900000311
和
Figure BDA00035335706900000312
分别为单方向车道在预测路段场所的入车量的周期成分和动态成分，
Figure BDA00035335706900000313
和
Figure BDA00035335706900000314
分别为混合车道进入对应多方向道路旁建筑场所的入车量的周期成分和动态成分；
对于周期性明显的序列，采用ARIMA模型预测动态成分，与周期成分相加确定场所出车量和各车道场所入车量，对于周期性不明显的序列，采用ARIMA模型预测场所出车量和各车道场所入车量。
进一步的，步骤6中，根据上游各车道交通流检测量和各车道场所入车量，计算各车道过车量，结合上、下游交叉口间的车道交通流权重分配模型，预测到达下游的过车量，其中各车道检测量与各车道场所入车量的差即为各车道过车量的预测值。
进一步的，步骤7中，根据到达下游的过车量和场所出车量，计算目标路段下游到达量，其中到达下游的过车量与场所出车量之和即为目标路段下游到达量。
一种考虑建筑场所影响的城市路网交通流预测系统，基于所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
本发明与现有技术相比，其显著优点为：1)充分考虑了城市路网空间拓扑中存在的大型建筑场所对交通流的影响，并在此基础上提出了一种考虑建筑场所影响的城市路网交通流预测方法，提升了城市路网交通流预测模型的理论性；2)提出了一种基于车牌识别数据的城市路网交通流分解方法，分解获得的各交通流分量具有明确的物理意义；3)构建车道级的城市路网交通流预测模型，在考虑交叉口渠化关系的同时加入了混合车道的建模，提升了模型的实用性。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明考虑建筑场所影响的城市路网交通流预测方法的流程图。
图2为具体实施方法的算法框图。
图3为一个实施例中所选取路段及周边建筑场所的卫星地图。
图4为一个实施例中所选取路段连续五日的交通流量、场所出车分量以及上游各车道场所入车分量图。
图5为一个实施例中上游各车道过车分量、道路下游过车量及拟合结果图。
图6为一个实施例中场所出车分量及上游各车道场所入车分量的单边幅度谱图。
图7为一个实施例中场所出车量的周期成分及动态成分图。
图8为一个实施例中上游1车道场所入车量的周期成分及动态成分图。
图9为一个实施例中上游2车道场所入车量的周期成分及动态成分图。
图10为一个实施例中场所出车分量、上游各车道场所入车分量及其拟合结果图。
图11为一个实施例中使用本发明考虑建筑场所影响的城市路网交通流预测方法的效果图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
一种考虑建筑场所影响的城市路网交通流预测方法，主要流程图如图1，算法框图如图2所示。具体步骤如下：
步骤1，选定预测路段和建模时段，获得预测路段在建模时段内的上、下游历史车牌识别数据；
步骤2，结合上、下游信号灯周期长度，选取固定的时间步长，将车牌识别数据预处理为此步长的交通流时间序列；
所述选取固定的时间步长为上、下游信号灯周期长度的公倍数，也可选取上游或下游信号灯周期长度的整数倍作为时间步长。
步骤3，检索预测路段上、下游车牌识别数据，将交通流时间序列分解为过车量、场所出车量以及场所入车量时间序列；
遍历与目标路段存在连接关系的车道，判断是否为混合车道。若为单方向车道，则对比该车道进口道每个时间步长内检索的车牌号与目标路段下游卡口在该步长内及之后若干步长(所选取若干步长的时间总和应大于道路平均通行时间)内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在目标路段的建筑场所入车量，重复出现的车牌号的数量为该车道在预测路段的过车量。若为混合车道，则对比该车道进口道每个时间步长内检索的车牌号与所有与该混合车道存在连接关系的路段下游卡口在该步长内及之后若干步长内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在所有与该混合车道存在连接关系的路段的总建筑场所入车量，重复出现的车牌号的数量为该车道在所有与该混合车道存在连接关系的路段的总过车量；将每个时间步长内的下游车牌识别数据与该步长及之前若干步长内的上游车牌识别数据进行对比，仅在道路下游出现到但未在上游车道检出的车牌号数量为该道路的场所出车量。
步骤4，分析过车量序列，建立上、下游交叉口间的车道交通流权重分配模型；
所述上、下游交叉口间的车道交通流权重分配模型为多元线性回归模型，模型的因变量为路段下游交叉口的过车量，自变量为路段上游交叉口与预测路段存在连接关系的各车道的过车量。该多元线性回归模型通过最小二乘法进行求解。
步骤5，分析场所出车量的周期性以及上游交叉口各车道场所入车量的周期性，对于周期性明显的序列，将周期成分外的成分定义为动态成分，采用时间序列模型对动态成分建立预测模型，对于周期性不明显的序列，采用时间序列模型对场所出车量、上游交叉口各车道场所入车量建立预测模型；
采用谱分析法，对场所出车量和入车量序列进行傅里叶变换，计算其频谱极大值点对应的时域值确定其是否具有明显的周期性。所述时间序列模型所选用的具体模型为求和自回归移动平均(ARIMA)模型，拟合该序列中各点序列值与历史序列值的关系。
步骤6，在预测场所出车量和入车量时，通过周期性分析获得其周期成分，通过时间序列模型预测其动态成分，动态成分与周期成分之和即为场所出车量和入车量的预测值。预测路段上游实时检测的交通流与场所入车量的预测值之差即为预测路段上游的过车量。使用车道交通流权重分配模型预测到达路段下游的过车量。最终，到达路段下游的过车量预测值与场所出车量的预测值之和即为路段下游总交通流的预测值。
实施例
为了验证本发明方案的有效性，进行如下实验。
本实施例中，预测目标城市路段位于两个相邻交叉口1044和1043之间，道路两侧存在居民区或企业等大型建筑，如图3所示。在交叉口各进口道均安装有电子警察监控摄像头。设上游交叉口与目标路段存在连接关系的车道组成的集合为S，其中单方向车道组成的集合为C，Card(C)＝N，车道依次命名为C1,C2...CN，混合方向车道组成的集合为D，Card(D)＝M，车道依次命名为D1,D2...DM。在建模时段j中，设单方向车道Cn在一个时间步长内检测到的车辆数为
Figure BDA0003533570690000061
混合方向车道Dm在一个时间步长内检测到的车辆数为
Figure BDA0003533570690000062
理论上，单方向车道检测到的车辆将全部到达预测路段下游或进入其两侧建筑场所，而混合方向车道检测到的车辆既有可能到达预测路段下游或进入其两侧建筑场所，也有可能到达其余连接路段下游或进入其两侧建筑场所。设单方向车道Cn中进入对应方向道路旁建筑场所的车辆数为
Figure BDA0003533570690000063
到达对应方向道路下游的车辆数为
Figure BDA0003533570690000064
设混合方向车道Dm中进入对应多方向道路旁建筑场所的车辆数为
Figure BDA0003533570690000065
到达对应多方向道路下游的车辆数为
Figure BDA0003533570690000066
因此，设通过上游交叉口各车道到达预测路段下游的车辆数为
Figure BDA0003533570690000071
可以表示为
Figure BDA0003533570690000072
f为车道交通流权重分配模型中的因变量与自变量的对应法则，本发明所使用的对应法则为多元线性回归，具体求解方法在具体实施步骤三中介绍。在这个过程中，同时有车辆驶离预测路段旁建筑场所并到达预测方向下游，设这部分车辆数为
Figure BDA0003533570690000073
那么，设这个过程中最终到达下游车辆数为
Figure BDA0003533570690000074
Figure BDA0003533570690000075
综上，可以得到以下数学关系：
Figure BDA0003533570690000076
整理上式可得：
Figure BDA0003533570690000077
通过以上的定义，预测方法的具体实施包括如下步骤：
步骤一，选定预测路段和建模时段，获得该路段在建模时段内的上、下游历史车牌识别数据。结合上、下游信号灯周期长度，选取固定的时间步长。根据交叉口渠化关系，得到上游交叉口与目标路段存在连接关系的车道集合S。
步骤二，遍历与预测路段存在连接关系的车道，判断是否为混合车道；若为单方向车道，则对比该车道进口道每个时间步长内检索的车牌号与目标路段下游卡口在该步长内及之后若干步长内检索的车牌号，所选取若干步长的时间总和应大于道路平均通行时间。在此基础上，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在预测路段的建筑场所入车量
Figure BDA0003533570690000078
重复出现的车牌号的数量为该车道在预测路段的过车量
Figure BDA0003533570690000079
进而得到该车道在目标路段的建筑场所入车量序列
Figure BDA00035335706900000710
与过车量序列
Figure BDA00035335706900000711
若为混合车道，则对比该车道进口道每个时间步长内检索的车牌号与所有与该混合车道存在连接关系的路段下游卡口在该步长内及之后若干步长内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在所有与该混合车道存在连接关系的路段的总建筑场所入车量
Figure BDA00035335706900000712
重复出现的车牌号的数量为该车道在所有与该混合车道存在连接关系的路段的总过车量
Figure BDA0003533570690000081
进而得到该车道在所有与该混合车道存在连接关系的路段的总建筑场所入车量序列
Figure BDA0003533570690000082
与总过车量序列
Figure BDA0003533570690000083
将每个时间步长内的下游车牌识别数据与该步长及之前若干步长内的上游车牌识别数据进行对比，仅在道路下游出现到但未在上游车道检出的车牌号数量为预测路段的场所出车量
Figure BDA0003533570690000084
进而得到预测路段建筑场所的历史出车量序列
Figure BDA0003533570690000085
场所出车量序列、各车道场所入车量序列如图4所示，各车道过车量序列和下游过车量序列如图5所示。
步骤三，拟合各车道在预测路段的过车量权重分配模型。
采用多元线性回归模型拟合上游交叉口各车道车流量到达道路下游的权重，其表达形式如下：
Figure BDA0003533570690000086
式中，θ为各车道在预测路段的过车量权重系数。将上式中的权重系数和过车量分别表示为长度为n+m+1的列向量θ和大小为(l,n+m+1)的矩阵
Figure BDA0003533570690000087
l为样本点的个数，如下式所示：
θ＝(θ0+...+θn+...+θn+m)
Figure BDA0003533570690000088
通过最小二乘法求解多元线性回归模型，可得向量θ为：
Figure BDA0003533570690000089
将权重向量θ代入多元线性回归模型，即可获得目标路段的车道流量权重分配模型。实施例的车道流量权重分配模型的拟合效果如图5所示。
步骤四，采用谱分析法分析步骤二中所获得的场所出车量序列
Figure BDA00035335706900000810
和各车道场所入车量序列
Figure BDA00035335706900000811
的周期性，对于周期性明显的序列，将周期成分外的成分定义为动态成分，采用时间序列模型对动态成分建立预测模型，对于周期性不明显的序列，采用时间序列模型对场所出车量、上游交叉口各车道场所入车量建立预测模型；
对场所出车量序列
Figure BDA0003533570690000091
和入车量序列
Figure BDA0003533570690000092
进行傅里叶变换后，计算其频谱主极大值点和次极大值以及主极大值点和次极大值对应的时域值，当主极大值大于次极大值的1.5倍时，则认为主极大值所在的频率点对应的时域值具有明显的周期性。否则，则认为其不具有明显的周期性。
对于具有明显周期性场所历史出、入车量的车道，其场所历史出、入车量由周期成分和动态成分组成，表示为：
Figure BDA0003533570690000093
Figure BDA0003533570690000094
和
Figure BDA0003533570690000095
分别为目标道路场所出车量的周期成分和动态成分，
Figure BDA0003533570690000096
和
Figure BDA0003533570690000097
分别为单方向车道在预测路段场所入车量的周期成分和动态成分，
Figure BDA0003533570690000098
和
Figure BDA0003533570690000099
分别为混合车道在包括预测路段在内的若干连接路段场所入车量的周期成分和动态成分。
Figure BDA00035335706900000910
和
Figure BDA00035335706900000911
在后续的说明中统一用P(j)进行表示，
Figure BDA00035335706900000912
和
Figure BDA00035335706900000913
统一用D(j)表示。
谱分析法通过将场所出车量序列
Figure BDA00035335706900000914
和各车道场所入车量序列
Figure BDA00035335706900000915
展开为傅里叶级数，使用一组具有多个振幅、频率和相位的正弦和余弦函数的组合线性表示该序列
Figure BDA00035335706900000916
δ为级数中周期元素的总数，Ak和Bk分别为第k级正、余分量的系数，ωk为第k级分量的频率。通过最小二乘法求解该正弦与余弦函数组成的三角多项式，其拟合值即为周期成分。真实值与拟合值的差值定义为场所出车量和场所入车量序列的动态成分。
求和自回归移动平均模型(ARIMA)是一种常用的时间序列分析方法，该方法通过拟合时间序列各点值与该点前历史值的关系，预测时间序列未来的变化值。ARIMA(p,d,q)模型预测动态成分的表达式为：
Figure BDA00035335706900000917
p、d、q分别为自回归阶数、差分阶数和移动平均阶数，B为延迟算子，
Figure BDA00035335706900000918
为第p阶自回归系数，θq为第q阶自回归系数，εt为白噪声序列。式中
Figure BDA00035335706900000919
称为d阶差分算子，
Figure BDA0003533570690000101
使用赤池信息准则(AIC)对ARIMA模型进行阶数选择和参数估计，AIC值最小的模型可以被认为是最优模型：
AIC＝-2Log(L)+2h
其中L是模型的似然函数，h是在选择ARIMA模型阶数时，ARIMA模型中未知参数的数量。
对周期性明显的车道，场所出车量和上游车道的场所入车量在拟合周期模型的基础上，使用ARIMA模型预测动态成分。对周期性不明显的车道则使用ARIMA模型直接进行预测。
通过图6的单边幅度谱的主极大值点与次极大值点可以看出，该时段内场所出车量序列以及上游1、2车道出车量序列的周期性较为明显，而上游3车道由于由于车流量较小，导致数据波动较大，周期性不明显。故对场所出车量和上游1、2车道的场所入车量在拟合周期模型的基础上，使用ARIMA模型预测动态成分。对周期性不明显的第3车道则使用ARIMA模型直接进行预测。
步骤五，首先统计当前时间步长内上游各车道交通流检测量
Figure BDA0003533570690000102
和
Figure BDA0003533570690000103
之后通过将历史场所出车量和各车道历史场所入车量代入步骤四中所获得的周期性模型和时间序列模型，进而获得下一时刻场所出车量的预测值
Figure BDA0003533570690000104
和各车道场所入车量的预测值
Figure BDA0003533570690000105
各车道检测量
Figure BDA0003533570690000106
和
Figure BDA0003533570690000107
与各车道场所入车量
Figure BDA0003533570690000108
的差即为各车道过车量的预测值
Figure BDA0003533570690000109
进而通过权重分配模型预测到达下游的过车量
Figure BDA00035335706900001010
最后，过车量预测值
Figure BDA00035335706900001011
与场所出车量预测值
Figure BDA00035335706900001012
之和即为目标路段下游到达量预测值
Figure BDA00035335706900001013
最终的预测结果如图11所示，预测表达式如下：
Figure BDA00035335706900001014
图7、图8和图9分别为该路段场所出车量、上游1车道场所入车量以及上游2车道场所入车量的周期成分及动态成分图。最终的场所出车量和各车道场所入车量的拟合结果如图10所示。
本发明还提出一种考虑建筑场所影响的城市路网交通流预测系统，基于所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤如下：
步骤1，获得预测路段在建模时段内的上、下游历史车牌识别数据；
步骤2，选取固定的时间步长，将车牌识别数据预处理为此步长的交通流时间序列；
步骤3，根据预测路段上、下游车牌识别数据，将交通流时间序列分解为过车量、场所出车量以及场所入车量时间序列；
步骤4，构建上、下游交叉口间的车道交通流权重分配模型；
步骤5，采用谱分析法确定场所出车量的周期性以及上游交叉口各车道场所入车量的周期性，对于周期性明显的序列，采用时间序列模型预测动态成分，与周期成分结合确定场所出车量和各车道场所入车量，对于周期性不明显的序列，采用时间序列模型预测场所出车量和各车道场所入车量；
步骤6，根据上游各车道交通流检测量和各车道场所入车量，计算各车道过车量，结合上、下游交叉口间的车道交通流权重分配模型，预测到达下游的过车量；
步骤7，根据到达下游的过车量和场所出车量，计算目标路段下游到达量。
2.根据权利要求1所述的考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤2中，选取固定的时间步长，具体方法为：
选取上、下游信号灯周期长度的公倍数，亦或者上游或下游信号灯周期长度的整数倍作为时间步长。
3.根据权利要求1所述的考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤3中，根据预测路段上、下游车牌识别数据，将交通流时间序列分解为过车量、场所出车量以及场所入车量时间序列，具体方法为：
遍历与目标路段存在连接关系的车道，判断是否为混合车道；
若为单方向车道，则对比该车道进口道每个时间步长内检索的车牌号与目标路段下游卡口在该步长内及之后若干步长内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在目标路段的建筑场所入车量，重复出现的车牌号的数量为该车道在预测路段的过车量；
若为混合车道，则对比该车道进口道每个时间步长内检索的车牌号与所有与该混合车道存在连接关系的路段下游卡口在该步长内及之后若干步长内检索的车牌号，仅在上游车道检测到但未在下游检出的车牌号数量为该步长内该车道在所有与该混合车道存在连接关系的路段的总建筑场所入车量，重复出现的车牌号的数量为该车道在所有与该混合车道存在连接关系的路段的总过车量；
将每个时间步长内的下游车牌识别数据与该步长及之前若干步长内的上游车牌识别数据进行对比，仅在道路下游出现但未在上游车道检出的车牌号数量为该道路的场所出车量；
所述若干步长的时间总和应大于道路平均通行时间。
4.根据权利要求1所述的考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤4中，构建上、下游交叉口间的车道交通流权重分配模型，具体方法为：
所述上、下游交叉口间的车道交通流权重分配模型为多元线性回归模型，模型的因变量为路段下游交叉口的过车量，自变量为路段上游交叉口与预测路段存在连接关系的各车道的过车量，表达形式如下：
Figure FDA0004088473960000021
式中，
Figure FDA0004088473960000022
为通过上游交叉口各车道到达预测路段下游的车辆数，
Figure FDA0004088473960000023
为单方向车道中到达对应方向道路下游的车辆数，
Figure FDA0004088473960000024
为混合方向车道中到达对应多方向道路下游的车辆数，f为车道交通流权重分配模型中因变量与自变量的对应法则，θi为各车道在预测路段的过车量权重系数。
5.根据权利要求1所述的考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤5中，采用谱分析法确定场所出车量的周期性以及上游交叉口各车道场所入车量的周期性，对于周期性明显的序列，采用时间序列模型预测动态成分，与周期成分结合确定场所出车量和各车道场所入车量，对于周期性不明显的序列，采用时间序列模型预测场所出车量和各车道场所入车量，具体方法为：
对场所出车量序列
Figure FDA0004088473960000025
和单方向车道、混合车道入车量序列
Figure FDA0004088473960000026
进行傅里叶变换，计算其频谱主极大值点和次极大值以及主极大值点和次极大值对应的时域值，当主极大值大于次极大值的1.5倍时，则认为主极大值所在的频率点对应的时域值具有明显的周期性，否则，则认为其不具有明显的周期性；
对于具有明显周期性场所历史出、入车量的车道，其场所历史出、入车量由周期成分和动态成分组成，表示为：
Figure FDA0004088473960000031
其中
Figure FDA0004088473960000032
和
Figure FDA0004088473960000033
分别为预测道路场所出车量的周期成分和动态成分，
Figure FDA0004088473960000034
和
Figure FDA0004088473960000035
分别为单方向车道在预测路段场所的入车量的周期成分和动态成分，
Figure FDA0004088473960000036
和
Figure FDA0004088473960000037
分别为混合车道进入对应多方向道路旁建筑场所的入车量的周期成分和动态成分；
对于周期性明显的序列，采用ARIMA模型预测动态成分，与周期成分相加确定场所出车量和各车道场所入车量，对于周期性不明显的序列，采用ARIMA模型预测场所出车量和各车道场所入车量。
6.根据权利要求1所述的考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤6中，根据上游各车道交通流检测量和各车道场所入车量，计算各车道过车量，结合上、下游交叉口间的车道交通流权重分配模型，预测到达下游的过车量，其中各车道检测量与各车道场所入车量的差即为各车道过车量的预测值。
7.根据权利要求1所述的考虑建筑场所影响的城市路网交通流预测方法，其特征在于，步骤7中，根据到达下游的过车量和场所出车量，计算目标路段下游到达量，其中到达下游的过车量与场所出车量之和即为目标路段下游到达量。
8.一种考虑建筑场所影响的城市路网交通流预测系统，其特征在于，基于权利要求1-7任一项所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，基于权利要求1-7任一项所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，基于权利要求1-7任一项所述的考虑建筑场所影响的城市路网交通流预测方法，实现考虑建筑场所影响的城市路网交通流预测。
CN202210216901.9A 2022-03-06 2022-03-06 考虑建筑场所影响的城市路网交通流预测方法及系统 Active CN114613135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210216901.9A CN114613135B (zh) 2022-03-06 2022-03-06 考虑建筑场所影响的城市路网交通流预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210216901.9A CN114613135B (zh) 2022-03-06 2022-03-06 考虑建筑场所影响的城市路网交通流预测方法及系统

Publications (2)

Publication Number Publication Date
CN114613135A CN114613135A (zh) 2022-06-10
CN114613135B true CN114613135B (zh) 2023-04-21

Family

ID=81860376

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210216901.9A Active CN114613135B (zh) 2022-03-06 2022-03-06 考虑建筑场所影响的城市路网交通流预测方法及系统

Country Status (1)

Country Link
CN (1) CN114613135B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116386336B (zh) * 2023-05-29 2023-08-08 四川国蓝中天环境科技集团有限公司 基于卡口车牌数据的路网交通流量鲁棒计算方法及系统
CN117114253A (zh) * 2023-10-25 2023-11-24 中天昊建设管理集团股份有限公司 一种适用于市政设计工程的城市道路路口规划管理系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8838370B2 (en) * 2009-03-09 2014-09-16 Empire Technology Development Llc Traffic flow model to provide traffic flow information
CN101789176B (zh) * 2010-01-22 2013-09-04 天津市市政工程设计研究院 预约集港模式下的港区短时交通流预测方法
CN101980317A (zh) * 2010-09-03 2011-02-23 浙江大学 基于改进c-v模型的遥感图路网提取的交通流量预测方法
CN102436751B (zh) * 2011-09-30 2014-09-17 上海交通大学 基于城市宏观路网模型的交通流短时预测方法
CN107967532B (zh) * 2017-10-30 2020-07-07 厦门大学 融合区域活力的城市交通流量预测方法
EP3611709A1 (de) * 2018-08-15 2020-02-19 Aurelius Bernet Verkehrsflusssimulator

Also Published As

Publication number Publication date
CN114613135A (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114613135B (zh) 考虑建筑场所影响的城市路网交通流预测方法及系统
Abadi et al. Traffic flow prediction for road transportation networks with limited traffic data
Stathopoulos et al. A multivariate state space approach for urban traffic flow modeling and prediction
Elhenawy et al. Dynamic travel time prediction using data clustering and genetic programming
Dunne et al. Regime-based short-term multivariate traffic condition forecasting algorithm
Xu et al. Accurate and interpretable bayesian mars for traffic flow prediction
Arif et al. Deep learning with non-parametric regression model for traffic flow prediction
Zhu et al. Urban link travel time estimation using traffic states‐based data fusion
CN112489426A (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
Kumar et al. Pattern identification based bus arrival time prediction
CN116307152A (zh) 时空交互式动态图注意力网络的交通预测方法
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
Aidan et al. Predicting earned value indexes in residential complexes’ construction projects using artificial neural network model
AlKheder et al. Bayesian combined neural network for traffic volume short-term forecasting at adjacent intersections
Chen et al. Local path searching based map matching algorithm for floating car data
CN102376025A (zh) 一种模拟手机数据并评估城市路网交通状态的方法
Özuysal et al. Capacity prediction for traffic circles: applicability of ANN
CN113344470A (zh) 一种基于区块链的供电系统智能管理方法
Zygouras et al. HTTE: A hybrid technique for travel time estimation in sparse data environments
Sayegh et al. Uncertainty propagation from the cell transmission traffic flow model to emission predictions: a data-driven approach
CN114267170A (zh) 基于考虑人类流动性的图时空Transformer模型的交通流预测方法
CN115909717A (zh) 一种基于深度学习的高速公路短时交通流预测方法
Daraghmi et al. Mining overdispersed and autocorrelated vehicular traffic volume
Hu et al. Hybrid process neural network based on spatio-temporal similarities for short-term traffic flow prediction
Feng et al. Traffic Flow Prediction of Urban Intersection Based on Environmental Impact Factors and Markov Chains

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant